基于目标检测与实例分割网络融合的轻量化红花采摘点识别方法

《Engineering Applications of Artificial Intelligence》：A lightweight method for identifying safflower picking points based on the integration of object detection and instance segmentation networks

本文提出一种集成模型结构优化、通道剪枝和知识蒸馏的创新性轻量化框架，结合检测与分割信息融合的采摘点识别策略，在参数减少94.3%的同时实现93.9% mAP的检测精度和96.7%的采摘点识别准确率，为红花自动化采收提供了高精度、低功耗的嵌入式部署解决方案。

　　

亮点（Highlight）

本研究提出了一种创新的选择性采收框架，通过模型结构优化、通道剪枝和知识蒸馏的协同整合，结合基于检测与分割信息融合的采摘点识别策略，实现了轻量化且高精度的红花采摘点识别。

方法概述（Method overview）

轻量化红花采摘点识别方法的计算流程如图1所示。首先，设计新型C2f-star特征提取网络替代YOLOv8s-seg骨干网络中的C2f模块，并采用BiFPN模块增强颈网络的特征融合能力。随后，利用剪枝技术降低计算复杂度与模型体积，并通过知识蒸馏方法维持模型精度——这好比给AI模型做了"精准瘦身手术"又保留了"学霸经验包"。最终，基于检测框与掩膜的空间结构特征融合，实现采摘点的精准定位。

结果与讨论（Results and discussion）

模型训练工作站配置Ubuntu 22.04系统，搭载Intel(R) Core(TM) I9-13900K CPU、32GB内存和RTX3080 GPU。在Python 3.9.20开发环境中使用PyTorch 2.1.1框架，配合CUDA 11.8并行计算框架提升效率，采用随机梯度下降（SGD）优化器调节参数。实验表明，改进后的模型在检测与分割任务中的平均精度（mAP）分别达到93.9%和92.9%，而参数量仅保留原模型的5.6%，模型体积缩减至基准的7.0%——相当于用"麻雀般的身材"实现了"雄鹰般的精准"。

结论与未来工作（Conclusion and future work）

本研究提出的轻量化红花采摘点识别方法，成功解决了自然环境中近色背景干扰、花丝形态多变、设备资源受限等挑战。通过引入高效特征提取网络、多尺度特征融合策略和通道剪枝技术，构建了兼具高精度与轻量化的检测分割模型。未来研究方向包括优化模型在移动端的推理速度，以及拓展方法在其他农作物采收场景的应用。